CN116413627A - 用于对电池状态进行估计的方法及电池监控系统 - Google Patents

Abstract

本发明涉及一种用于对电池状态进行估计的方法及电池监控系统。该方法包括以下步骤：数据收集步骤(S01)，在该数据收集步骤中，收集电池集内的电池的电池数据和需预测状态的电池的电池数据；数据处理步骤(S02)，在该数据处理步骤中，对所收集的、电池集内的电池的电池数据进行处理；建模分析步骤(S03)，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型；电池状态预测步骤(S04)，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测；和预测结果推送步骤(S05)，在该预测结果推送步骤中，将电池状态的预测结果推送给用户。

Description

用于对电池状态进行估计的方法及电池监控系统

技术领域

本发明涉及一种用于对电池、特别是用于工程机械的铅酸电池的状态进行估计的方法及电池监控系统。

背景技术

在工程机械领域，一般整机的工作年限在20年以上，但其所使用的电池、尤其是铅酸电池的一般工作年限仅有2～3年。这意味着，在工程机械的整个工作周期内需要经历7次以上的电池售后更换服务。然而，当前代理商无法预测电池的剩余寿命，导致当前的售后服务模式完全是被动式服务，即电池已经发生故障导致停机，而后代理商才能根据客户反馈安排售后服务人员进行电池维修或更换。由于工程机械遍布各地且有很多工程机械在交通不便的偏远地区工作，售后服务的及时性无法得到保证，造成客户无谓的停机。

而当前，工业大数据分析及机器学习在各领域都取得了较大突破，展现出其高超的复杂数据处理能力和预测复杂零部件故障的能力。目前基于大数据对电池故障预测的研究和论述主要针对新能源车辆的动力电池的分析和预测，而很少有大数据技术在工程机械行业内的电池售后服务中的应用。

CN113212244A公开了一种新能源车辆的动力电池的寿命预测方法及系统，涉及车辆动力电池寿命预测领域。该方法包括：获取与大数据平台连接的车辆的动力电池寿命预测相关数据并筛选后得到动力电池剩余充放电循环数相关的数据。将筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立模型后获取与大数据平台连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。

CN110416636A公开了一种基于云端数据管理的动力电池管理系统及方法，该系统是通过电池数据采集模块监测并记录动力电池全生命周期的使用过程，获得电池的温度、电流、电压等工作状态数据，由电池管理系统采集数据并发送给车载TBOX，由车载TBOX通过wifi或移动数据网络远程发送至电池数据云端分析处理模块，在云端通过大数据分析处理手段为电池的梯次利用评价提供数据支持，通过电池参数判别模块预测和判别梯次利用和拆解回收的时间节点，节省电池复杂费时的检测过程，提高了回收利用效率，使电池产品的使用周期得到了延长，有效降低成本、节省时间，满足动力电池运营模式和使用场景的需求。

如上所述，在现有技术中，一方面，没有针对工程机械使用的、相对寿命较短的铅酸蓄电池的寿命预测方法。另一方面，在当前的电池寿命预测中仅利用电池的温度、电流、电压、工作周期来进行寿命预计，其考虑的数据不够全面，因而模型不够准确。

发明内容

本发明要解决的技术问题是，提出一种对于电池、特别是用于工程机械的铅酸电池的状态(尤其是电池的剩余使用寿命)进行估计的方法及相关的电池监控系统，从而能提供及时的电池维护服务。

本发明提出一种用于对电池状态进行估计的方法，包括以下步骤：

数据收集步骤，在该数据收集步骤中，收集电池集内的电池的电池数据和需预测状态的电池的电池数据，

数据处理步骤，在该数据处理步骤中，对所收集的、电池集内的电池的电池数据进行处理，

建模分析步骤，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型，

电池状态预测步骤，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测，和

预测结果推送步骤，在该预测结果推送步骤中，将电池状态的预测结果推送给用户。

基于本发明的方法，通过大数据分析及机器学习理论来建立工程机械铅酸电池的失效预测模型。该模型可以为可能出现故障或需要进行检查/维护的目标电池生成剩余寿命的预测值。据此，代理商可以提前制定售后服务计划，合理地安排服务人员的行程，及时进行电池维修或更换，从而有效提高代理商的售后服务覆盖面和服务效率，增加电池的售后销售机会，减少客户不必要的停机等待时间，降低客户的运营成本，从而进一步促进公司与客户的合作关系。

根据一种优选的实施方式，所述电池是用于工程机械的铅酸蓄电池。

根据一种优选的实施方式，所述电池状态是电池的剩余使用寿命或电池的危险状态。

根据一种优选的实施方式，在数据收集步骤中，直接或间接地从电池集内的电池或需预测状态的电池收集电池数据，以及/或者按照一定的周期从电池集内的电池或需预测状态的电池收集电池数据。

根据一种优选的实施方式，在数据处理步骤中，对所收集的、电池集内的电池的电池数据进行滤波处理，以滤除其中的空值和奇异值；或者，在数据处理步骤中，对所收集的、电池集内的电池的电池数据进行归一化处理。

根据一种优选的实施方式，在电池状态预测步骤之前，对需预测状态的电池的电池数据进行数据处理，其中，对需预测状态的电池的电池数据进行滤波处理，以滤除其中的空值和奇异值；或者，对需预测状态的电池的电池数据进行归一化处理。

根据一种优选的实施方式，在建模分析步骤中，基于经处理的、电池集内的电池的电池数据建立一个或多个预测模型，或者，利用更新的、电池集内的电池的电池数据对一个或多个预测模型进行训练和验证。

根据一种优选的实施方式，在建立多个预测模型的情况下，通过对预测模型参数的优化，选出准确率最高的预测模型作为优化模型以用于预测电池的状态。

根据一种优选的实施方式，利用不同的参数组合以及不同算法建立多个预测模型，再针对所建立的各预测模型分别得出该预测模型的平均绝对误差的值，基于各预测模型的平均绝对误差的值的大小选出优化模型以用于预测电池的状态。

根据一种优选的实施方式，所述电池集内的电池的电池数据或需预测状态的电池的电池数据包括以下参数中的至少一项：

电池的实时工作电压，

电池的累计充放电次数，

电池的累计工作时间，

电池工作的温度信息，

电池的累计非工作时间，

电池的最长连续非工作时间，

电池的工作地理位置信息，

电池所应用的机器的型号，

电池标称寿命值。

根据一种优选的实施方式，在所述方法中还考虑在实验室中测定的以下参数：电池标称寿命值、初始电压、放电电流。

根据一种优选的实施方式，在预测结果推送步骤中，推送的方式包括：邮件或短信形式的推送和/或数据库管理系统推送。

本发明还涉及一种电池监控系统，该电池监控系统用于对电池状态实施监控，该电池监控系统包括：

数据接收装置，该数据接收装置用于接收电池集内的电池的电池数据和需预测状态的电池的电池数据，

存储装置，该存储装置用于存储从数据接收装置接收的电池集内的电池的电池数据和需预测状态的电池的电池数据，

控制装置，该控制装置用于执行以下步骤：

数据处理步骤，在该数据处理步骤中，对电池集内的电池的电池数据进行处理，

建模分析步骤，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型，

电池状态预测步骤，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测，和

推送装置，该推送装置用于从控制装置接收电池状态预测结果并将其推送给用户。

针对本发明的方法所述的上述各实施方式同样适用于根据本发明的电池监控系统。

附图说明

图1是用于对电池状态进行估计的方法的流程图。

具体实施方式

下面将参照附图并通过具体的实施例来描述根据本发明的方法及系统。然而，示例性实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明全面和完整，并将示例性实施例的构思全面地传达给本领域的技术人员。

图1示出了用于对电池状态进行估计的方法的流程图。该方法尤其是用于对工程机械所使用的铅酸蓄电池的剩余使用寿命进行预测。该方法利用了正在使用中或曾经被使用的大量工程机械的电池的电池数据。这些正在使用或曾经被使用的工程机械电池构成电池集。电池集内的电池的电池数据被用于建立电池状态预测模型。如图1所示，所述方法包括数据收集步骤S01，其中获取电池数据，该电池数据包括电池集内的电池的电池数据，也可以还包括需预测状态的电池的电池数据。该需预测状态的电池根据实际需要选择，可以是电池集内的电池，也可以不是电池集内的电池。在该数据收集步骤中，大量使用中的工程机械(即电池集内的电池所处的工程机械)将其电池数据发送给电池监控系统。在此，既可以由工程机械的供应商针对其产品进行数据收集，也可以在用户认可的情况下对其工程机械进行相关的数据收集。例如，可以由工程机械直接将电池数据发送给电池监控系统；但也可以由工程机械将电池数据发送回制造商的后台系统，再由该后台系统将电池数据发送给电池监控系统。在此，可以将所获取的数据存储在电池监控系统的数据库中。

电池数据例如可包括：电池的实时工作电压、电池的累计充放电次数、电池的累计工作时间、电池的累计非工作时间、电池的最长连续非工作时间、电池的工作地理位置信息、电池所应用的机器的型号(特别是工程机械的型号和类型)、电池工作的温度信息、例如在实验室测定的电池标称寿命值。

已经公开的关于蓄电池的寿命预测方法多是基于电池的电流、电压、工作周期。基于对电池、尤其是铅酸蓄电池在工程机械上实际应用的分析发现，工程机械长时间停机会加速电池的损坏。因此，在建立预测模型时加入电池的累计非工作时间和最长连续非工作时间这两个维度作为建模特征值。机器在不同工况下其蓄电池的寿命也会有差异，因此引入电池的工作地理位置信息以及工程机械的型号作为建模特征值。因为在不同温度下电池的实时电压会有差异，因此引入电池的工作温度作为建模特征值。此外，选取电池的实时工作电压、累计充放电次数、累计工作时间等与电池寿命直接相关的基础特征值。此外，还可考虑在实验室中测定的参量，其中包括：电池标称寿命值、初始电压、放电电流。这些在实验室中测定的参量可以在建模计算中用作基准值或参考值，与前述基础特征值相结合作为基准参考，用于预测电池剩余寿命，从而有效提高电池寿命预测的准确率。

所述电池数据例如按照一定的周期发送给电池监控系统，例如，每天、每两天、或每周发送。当接收到新的数据时，电池监控系统对数据库中的数据进行更新。在此，可以每次发送电池的全部历史数据并用其覆盖数据库中的历史数据，也可以每次仅发送此周期内的更新数据并将其与数据库中的历史数据相合并。

然后，方法转到数据处理步骤S02。在该数据处理步骤中，对电池集内的电池的电池数据进行处理。对电池数据的处理例如包括：数据滤波，其中例如将所接收的电池数据中的空值和奇异值滤除，从而确保建模用的数据完整。另外，对电池数据进行归一化处理，从而避免因为数据量纲的差异影响结果的准确性。

然后，进行建模分析步骤S03。在该建模分析步骤中，利用在数据处理步骤S02中处理过的电池数据进行建模分析。在建模分析步骤S03中，基于经处理的电池数据建立线性回归、随机森林、神经网络等模型。通过对模型参数的优化，选出准确率最高的模型作为优化模型以用于预测电池的状态。

在此，利用不同的参数组合以及算法建立多个模型，再针对所建立的各模型分别得出该模型的平均绝对误差(MAE)的值。以平均绝对误差的值的大小来判断不同模型的准确性，并最终选出准确率最高的模型作为优化模型以用于预测电池的状态。

例如，在较长的运行时间上调用大量的工程机械(对应于电池集)的电池数据、例如两年内调用500台工程机械的电池数据，作为样本数据集进行建模分析，对可能影响电池剩余寿命的参数按照不同的排列组合利用不同的算法进行建模，求得模型值与实际值之差并最终求得平均绝对误差(MAE)的值。由此得出，基于哪些参数以及哪种算法的模型准确率更高。

在此，由于电池集内的电池的电池数据例如按照一定的周期被不断地发送给电池监控系统，所以在接收到新的电池数据时，基于新接收的电池数据对机器学习数据库进行训练和验证，从而不断优化电池寿命预测模型的准确率。当然，也可以只建立一个预测模型，并利用更新的数据对该模型进行不断的训练和验证。

然后，进行电池状态预测步骤S04。在该电池状态预测步骤中，利用在建模分析步骤S03中建立的模型以及需预测状态的电池的电池数据对电池的电池状态、尤其是剩余寿命进行预测。该预测结果可以存储在电池监控系统的数据库中。在此使用的、需预测状态的电池的电池数据同样可以是经过数据处理的，例如与在步骤S02中对于电池集内的电池的电池数据的处理方式相同。

然后，进行预测结果推送步骤S05。在该预测结果推送步骤中，将电池状态的预测结果推送给用户、例如推送给代理商或工程机械的用户。数据推送的方式可以包括：邮件或短信形式的推送、和/或数据库管理系统的方式。对于数据库管理系统的方式，例如，可以建立网页形式或APP形式的、可供用户查阅的数据库，代理商和/或工程机械的用户可以在相应的平台随时查询目标工程机械的电池寿命的预测结果。这样，代理商可以进行合理的售后服务人员安排，及时进行电池维修或更换，最终实现人力资源的优化和售后业务量的提高。

另外，本发明还提出一种电池监控系统，该电池监控系统用于对电池、特别是用于工程机械的铅酸电池的电池状态实施监控。该电池监控系统包括：

数据接收装置，该数据接收装置用于接收电池集内的电池的电池数据和需预测状态的电池的电池数据，

存储装置，该存储装置用于存储由数据接收装置接收的电池集内的电池的电池数据和需预测状态的电池的电池数据，

控制装置，该控制装置用于执行以下步骤：

数据处理步骤，在该数据处理步骤中，对电池集内的电池的电池数据进行处理，

建模分析步骤，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型，

电池状态预测步骤，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测，和

推送装置，该推送装置用于从控制装置接收电池状态预测结果并将其推送给用户。

显然，对于本领域的技术人员来说，在不脱离本发明的范围或精神的情况下，可对上文所公开的实施例作出各种修改和变型。根据本说明书所公开的对本发明的实践，本发明的其它实施例对于本领域技术人员而言是显而易见的。本说明书及其公开的示例应被认为只是例示性的。

Claims (13)

1.一种用于对电池状态进行估计的方法，包括以下步骤：

数据收集步骤(S01)，在该数据收集步骤中，收集电池集内的电池的电池数据和需预测状态的电池的电池数据，

数据处理步骤(S02)，在该数据处理步骤中，对所收集的、电池集内的电池的电池数据进行处理，

建模分析步骤(S03)，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型，

电池状态预测步骤(S04)，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测，和

预测结果推送步骤(S05)，在该预测结果推送步骤中，将电池状态的预测结果推送给用户。

2.根据权利要求1所述的方法，其特征在于，所述电池是用于工程机械的铅酸蓄电池。

3.根据权利要求1所述的方法，其特征在于，所述电池状态是电池的剩余使用寿命或电池的危险状态。

4.根据权利要求1所述的方法，其特征在于，在数据收集步骤(S01)中，直接或间接地从电池集内的电池或需预测状态的电池收集电池数据，以及/或者按照一定的周期从电池集内的电池或需预测状态的电池收集电池数据。

5.根据权利要求1所述的方法，其特征在于，在数据处理步骤(S02)中，对所收集的、电池集内的电池的电池数据进行滤波处理，以滤除其中的空值和奇异值；或者，在数据处理步骤中，对所收集的、电池集内的电池的电池数据进行归一化处理。

6.根据权利要求1所述的方法，其特征在于，在电池状态预测步骤(S04)之前，对需预测状态的电池的电池数据进行数据处理，其中，对需预测状态的电池的电池数据进行滤波处理，以滤除其中的空值和奇异值；或者，对需预测状态的电池的电池数据进行归一化处理。

7.根据权利要求1所述的方法，其特征在于，在建模分析步骤(S03)中，基于经处理的、电池集内的电池的电池数据建立一个或多个预测模型，或者，利用更新的、电池集内的电池的电池数据对一个或多个预测模型进行训练和验证。

8.根据权利要求6所述的方法，其特征在于，在建立多个预测模型的情况下，通过对预测模型参数的优化，选出准确率最高的预测模型作为优化模型以用于预测电池的状态。

9.根据权利要求6所述的方法，其特征在于，利用不同的参数组合以及不同算法建立多个预测模型，再针对所建立的各预测模型分别得出该预测模型的平均绝对误差的值，基于各预测模型的平均绝对误差的值的大小选出优化模型以用于预测电池的状态。

10.根据权利要求1所述的方法，其特征在于，所述电池集内的电池的电池数据或需预测状态的电池的电池数据包括以下参数中的至少一项：

电池的实时工作电压，

电池的累计充放电次数，

电池的累计工作时间，

电池工作的温度信息，

电池的累计非工作时间，

电池的最长连续非工作时间，

电池的工作地理位置信息，

电池所应用的机器的型号，

电池标称寿命值。

11.根据权利要求1所述的方法，其特征在于，在所述方法中还考虑在实验室中测定的以下参数：电池标称寿命值、初始电压、放电电流。

12.根据权利要求1所述的方法，其特征在于，在预测结果推送步骤(S05)中，推送的方式包括：邮件或短信形式的推送和/或数据库管理系统推送。

13.一种电池监控系统，该电池监控系统用于对电池状态实施监控，该电池监控系统包括：

数据接收装置，该数据接收装置用于接收电池集内的电池的电池数据和需预测状态的电池的电池数据，

存储装置，该存储装置用于存储由数据接收装置接收的电池集内的电池的电池数据和需预测状态的电池的电池数据，

控制装置，该控制装置用于执行以下步骤：

数据处理步骤(S02)，在该数据处理步骤中，对电池集内的电池的电池数据进行处理，

建模分析步骤(S03)，在该建模分析步骤中，对经处理的、电池集内的电池的电池数据进行建模分析，从而建立电池状态的预测模型，

电池状态预测步骤(S04)，在该电池状态预测步骤中，基于电池状态的预测模型以及需预测状态的电池的电池数据对电池的电池状态作出预测，和

推送装置，该推送装置用于从控制装置接收电池状态预测结果并将其推送给用户。

Images